ms

Oculaire électronique en une planche

Recommended Posts

Advertising
By registering on Astrosurf,
this type of ad will no longer be displayed.
Planetary Astronomy
Observing, imaging and studying the planets
A comprehensive book about observing, imaging, and studying planets. It has been written by seven authors, all being skillful amateur observers in their respective domains.
More information on www.planetary-astronomy.com

C'est de l'observation à longue distance comme la Corse ^_^ ou la photo animalière dans des conditions délicates (turbu, brouillard, peu de lumière, longue distance). J'ai un terrain de chasse dans la forêt de l'Ill du coté de Sélestat.

GG c'est ton chat ?  

Share this post


Link to post
Share on other sites
Il y a 6 heures, ms a dit :

en planétaire, ciel profond, observation longue distance et observation sous-marine.

 

Alors faudra des télescopes étanches ?

Share this post


Link to post
Share on other sites

Après une petite pose, Véronique et Davina reviennent avec EVA cette fois-ci : ^_^

 

noise.jpg.64dc7f4bc7a6ec53b70ba5da1458fd49.jpg

 

denoise_2.png.4d9cc56ccf359d65fbfb0f11313cf910.png

 

Ici c'est un dé-bruitage à partir d'une seule image. Je montrerai dans un prochain post l'apport d'un nombre plus important d'images bruitées.

Edited by ms

Share this post


Link to post
Share on other sites

Le resultat est convaincant (meme la petit structure foncee au milieu/bas de l'image est preservee) !

Peux-tu donner un peu plus de detail sur les caracteristiques du bruit en entree (additif gaussien, poissonien, etc..) et des details sur la methode employee ?

 

Merci d'avance pour ce travail

Share this post


Link to post
Share on other sites

Le point de départ c'est en effet le bruit additif gaussien et le bruit de grenaille comme dans l'image du milieu mais des images comme Véronique et Davina (ci-dessus) sont plus complexes :

original.png.d477b314f596dc06b794fb9ebdb39c46.png

 

A gauche l'image de référence (Barbara) et à droite l'image traitée par EVA.

Une image brute astro se situe à mi-chemin entre Barbara et Véronique/Davina.

J'ai un bon exemple de traitement à partir de 1, 4, 9, 16, 25, 36, ... images brutes qui montre le gain que l'on peut obtenir (à suivre) quand on recherche des similitudes dans une rafale d'images brutes.

La rafale peut ensuite être recalée dans de très bonnes conditions.

Il y a 2 façons d'augmenter le rapport signal/bruit :

1) en recherchant des similitudes dans une rafale d'images,

2) en moyennant les images recalées de cette rafale.

C'est maintenant le résultat dé-flouté de cette rafale que je peux afficher dans ma vidéo assistée.

 

Ces 9 images brutes :

color.png.755a143c74cdac10d6cdbd8e8123d59d.png

 

permettent d'obtenir l'image recalée (flou) suivante :

 

1.png.ed272e80b7fbc93f85994af680e0a172.png

 

qui une fois dé-floutée peut être affichée dans la vidéo assistée à 10 ips. ^_^

 

J'ai pris une rafale de 9 images brutes pour que l'exemple entre dans la page, dans la pratique avec 25 images c'est encore mieux.
Tous les 1/4 de seconde, j'obtiens une image douce exploitable plus tard en super résolution.

 

Edited by ms

Share this post


Link to post
Share on other sites

Voici la version finale de Véronique et Davina : ^_^

 

denoise_2_b.png.028a5b770e83ec2117a03cb285cd69a2.png

 

C'est tout en douceur . ^_^

Share this post


Link to post
Share on other sites

Et en plus elles sont gracieuses :)

Un peu comme mes chéries, accordéonistes russes :)

Share this post


Link to post
Share on other sites

A quoi peuvent bien servir toutes ces trames que les logiciels habituels mettent à la poubelle ?

Et c'est souvent 80% de la production.

Et bien, elles servent à caractériser le bruit grâce à la manipulation de rafales (bursts) d'images brutes (voir Saturne un peu plus haut).

Certains pensent que les images toutes pourries par la turbulence ne sont bonnes que pour la poubelle.

La turbulence peut même devenir une alliée pour l'estimation du bruit. ^_^

Bien sûr pour traiter les distorsions, il faudra toujours quelques images exploitables mais pour cela la probabilité n'est pas nulle et une meilleure connaissance du bruit ôte une bonne épine du pied.

Share this post


Link to post
Share on other sites

Dans ton "workflow" ducoup si j'ai bien compris, tu commence par estimer la NLF du bruit sur des patch (utilises-tu un polynome positif de degre 2 comme dans les travaux de C Sutour ?), ajoute tu des contraintes particulieres sur le type de bruit a estimer ?

Ensuite tu utilise ces donnes de bruit pour nourrir algo type "patch based" genre NLM sur du 2D/3D, voir 2D etendu (2D+temps) ?

Et enfin, une fois le bruit de l'image reduit, tu lance un genre d'algo de registration non rigide pour gerer les derformations ?

 

Utilise-tu les informations de deformations pour refaire une passe de debruitage/demosaicking afin d'obtenir un resultat encore meilleur ?

 

La methode a l'air de donner des resultats tres prometteurs, il serait assez interessant de voir jusqu'ou on peut utiliser ces briques de bases dans le cas ou on enleve les contraintes temps reel pour du traitement offline.

  • Like 1

Share this post


Link to post
Share on other sites

Je ne connais pas d'algorithme capable de faire un recalage non rigide en présence de bruit ou un dé-floutage en présence de bruit (je ne parle pas du bruit additionnel).

Je ne connais pas d'algorithme capable de dé-bruiter à partir d'une seule image.

De ce fait, il faut créer un objet "burst" (une rafale d'images brutes) qui va d'abord permettre de dé-bruiter dans de meilleures conditions.

Les patchs présentent le gros avantage d'être insensibles aux décalages existant entres les images d'une même rafale.

Jusqu'où peut-on dé-bruiter ?
Dans le cas de l'image de polo, il semble que 10 rafales de 10 images brutes permettent déjà d'obtenir un résultat.

L'erreur c'est de faire un recalage trop précoce comme l'image floue de saturne ci-dessus obtenue avec 9 images brutes.

Il faut faire le recalage sur 100 images brutes (10 rafales de 10 images) pour obtenir une image dé-floutée réellement exploitable (ce sont ces images qu'il faudra traiter offline).

En fait si le bruit est maîtrisé, le recalage non rigide permettra d'obtenir une image flou dont le flou peu aussi être maîtrisé.

Ce processus permet justement de fabriquer une image floue facile à dé-flouter.

Pour les algorithmes, Camille SUTOUR (RNLF), Julie DELON (PARIGI) et Marc LEBRUN (MSD) ont déjà bien défriché l'estimation d'un bruit hybride à partir d'une image brute.

Ce qui est intéressant c'est l'estimation du bruit et l'estimation du flou.

Pour le bruit comme pour le flou, il faut travailler avec des images réelles obtenues par des CMOS mono et couleurs. Les algos de dé-bruitage faisant appel à l'apprentissage sont devant pour les images synthétiques mais derrières (BM3D, NLM, NL-Bayes, K-SVD) pour les images réelles.

Edited by ms

Share this post


Link to post
Share on other sites

 

 

Hello :)

 

Commençons par les traditionnels  voeux de succès à l'oculaire électronique 

 et de longue et fructueuse retraite à son inventeur :)

 

Le 15/12/2017 à 19:09, ms a dit :

Voici la version finale de Véronique et Davina :

 

... C'est tout en douceur 

 

Vouiiiiiiiiiiiiiiiiiiiii ;)

 

Je ne suis pas fana de Neat, que je n'utilise d'ailleurs jamais, mais voyons un  peu tout ça de près :

 

Rappel du début de l'histoire chez Neat

 

A gauche la douce EVA, à droite la finale Neat :

 

Presse-papier01.png.09307315090bfc20cecaaa2551bbfa4f.png

 

 

Et voyons les FFT  (EVA en blanc, Neat en jaune) :

 

Graph_4.png.0beb2b93ae8fde8d018451927b5262d5.png

 

Pinaillons, pinaillons, il en restera toujours quelque chose : Pour moi, j'ai confirmation de mon impression première ;)

 

Alors, vite une chtite correction de FFT , à l'oeil :

 

Presse-papier02.png.45aa035e8e00440fa8f0ab4a8badfc9a.png

 

Et voici  la nouvelle FFT d'EVA, toujours en blanc  (pour Fs > 0,5 les écarts sont pratiquement invisibles sur les images, inutile de pinailler les réglages au cube ,  ici j'ai laissé un 1/2 micropoil de favoritisme à la douce EVA ! :))

 

Graph_5.png.11875034190ce27cabb0e9f3e4154cbb.png

 

Moi je dis qu'il n'y a pas photo, et si en plus ms nous sort cette EVA en temps réel sur un PC à 800€ comme le dernier mien,, c'est Byzance  ! :)

 

Mais qu'en disent les experts ? ;)

 

 

Edited by Nebulium

Share this post


Link to post
Share on other sites
il y a 17 minutes, Nebulium a dit :

Mais qu'en disent les experts ? ;)

Chus loin d'être espert, mais sur le cul je suis :)

 

Share this post


Link to post
Share on other sites

Il y a 3 problèmes qui devraient être résolus en temps réel en 2018 :
1) l'estimation d'un bruit hybride,
2) l'estimation d'un flou hybride,
3) l'estimation du flot optique.

 

Il reste par exemple un léger flou chez Véronique et Davina ainsi qu'un léger bruit de grenaille.


Demain l'objectif sera de remplacer tous les prétraitements du bruit et du flou par leur estimation comme dans l'exemple suivant (en haut : pas d'offset, de dark et de flat, en bas : traitement d'un bruit hybride) :

deep_sky.jpg.c88e2f5c36b0bbb78ebe8c3825175767.jpg

 

deep_sky_den.png.8a341246b1cd851444df3d55857ab4bb.png

 

Les nodules me semblent plus réalistes dans l'image traitée (en fait, il faudrait faire un test avec une image réalisée avec des offsets, darks et flats).
EVA devrait permettre d'avoir des étoiles plus fines, de traiter la PL en temps réel et surtout d'obtenir la vidéo assistée du champ étudié.
Dans quelques jour au CES 2018, des ordinateurs à base de Core i7-8809G (CPU Intel + GPU AMD) seront présentés et c'est sur ce type de matériel dont le coût sera très abordable qu'EVA devrait être implantée.

 

 

Edited by ms

Share this post


Link to post
Share on other sites

Ouahhh.... Je ne comprends pas tout mais je suis sur le cul sur les résultats obtenus. :D

 

Bravo et bonne continuation sur ce développement.

 

Xavier

Edited by xmouse

Share this post


Link to post
Share on other sites

Un premier essai de défloutage à l'aveugle :

 

v_d.gif?dl=1

Edited by ms

Share this post


Link to post
Share on other sites
Il y a 3 heures, ms a dit :

défloutage à l'aveugle

 

De ta  ci-dessus  ?

 

Il fait de la surosc, ton aveugle. Il faut lui donner une deuxième  canne !

 

Le 02/01/2018 à 19:16, ms a dit :

au CES 2018, des ordinateurs à base de Core i7...

 

Sont mal barrés, chez Intel avec leur faille !

Et dire que je viens d'en acheter un !o.O

 

Sinon, tu vas y montrer ton  EVA ? 

Share this post


Link to post
Share on other sites

Le deuxième essai est plus intéressant : ^_^
- en haut, l'image brute (bruitée et floutée),
- au milieu, dé-bruitage à l'aveugle de l'image du haut,
- en bas bas, dé-floutage à l'aveugle de l'image du milieu.

 

noise.jpg.8f609fc254b0013dd00a7ea154e2114e.jpg

 

denoise_2_b.png.84646d8d38d3b3c23b484aa5ad4926a9.png

 

deblur_2_b.png.c09659ab8f3330a54d44293e292b3997.png

 

Il y a encore quelques réglages à faire mais l'idée est là : estimation du bruit et du flou à l'aveugle puis traitement.
L'aspect granuleux du fond semble maintenant résolu, non ?

Pour le processeur, pas de problème de faille avec i7-8809G qui résulte d'une collaboration Intel/AMD et j'espère y faire tourner EVA très prochainement pour justement tester ces problèmes de dé-bruitage et de dé-floutage à l'aveugle.

Edited by ms

Share this post


Link to post
Share on other sites

Je vais étudier ces images ...

 

Je viens de tomber sur ce site

Ils proposent un pack pour jouer en agrandissement 4x 

Tu en dis quoi, avant que j'investisse du temps déjà pour me lancer dans  Python, ensuite pour essayer leur truc ?

 

Edited by Nebulium

Share this post


Link to post
Share on other sites

Pour obtenir l'image du milieu, j'ai juste estimé le bruit hybride à partir d'une image puis j'ai appliqué un algorithme de dé-bruitage.

Pour obtenir l'image du bas, j'ai juste estimé le flou hybride à partir d'une image puis j'ai appliqué un algorithme de dé-floutage.

 

Pour des images naturelles (planètes, photos animalières, photos sous-marines, ...) le deep-learning est en retrait comparé à l'approche que j'utilise.

Pour des images artificielles (création du bruit et du flou à partir d'une image de référence) là c'est le contraire.

 

Du coup, j'ai laissé tombé les approches utilisant l'apprentissage par les réseaux de neurones  pour affiner mes estimations du bruit et du flou en temps réel.

 

L'idéal sera de traiter le bruit et le flou en une passe pour ne garder en bout de course que l'analyse du flot optique comme dans l'exemple suivant qui permet d'offrir 2 options (avec ou sans traitement des ondulations) :

 

sat_polo_den.gif

 

Nous retombons alors sur un algorithme de type "Two-stage" comme il y a quelques années mais en beaucoup plus rapide. ^_^

Enfin j'ai résolu le problème des satellites qui n'apparaissent pas sur cette image animée.

Edited by ms

Share this post


Link to post
Share on other sites

Hello  ms :)

 

La curiosité me taraude pour le 4x...

J'ai installé le code de WebDav dans un répertoire :

 

 

Presse-papier01.png.3cf03ce0b6463be759c929d6227de4c0.png

 

Et  Python (Win10) normalement  (C:\Programmes)

 

J'ouvre une fenêtre Python.
Comme dit :

  > Enter the following into a terminal window:
          ./run.sh

J'y colle  :

./run.sh

 

, marche pô ! :(

 

J'ai essayé en bidouillant avec le chemin complet, / et \ :

C:\Users\Moi\Desktop\WebDav\EnhanceNet_code\enhancenet_pretrained> 

 

Non plus...

 

Dans le temps, j'avais réussi à faire marcher Julia ... Me souviens plus comment ! :(

Aurais-tu une idée ?

 

Merci :)

 

 

Edited by Nebulium

Share this post


Link to post
Share on other sites

Create an account or sign in to comment

You need to be a member in order to leave a comment

Create an account

Sign up for a new account in our community. It's easy!

Register a new account

Sign in

Already have an account? Sign in here.

Sign In Now